Die Erstellung einer großen Menge vollständig annotierter Trainingsdaten kann kostspielig sein, insbesondere für Aufgaben der medizinischen Bildsegmentierung. Strichzeichnungen (Scribbles), eine schwächere Form der Annotation, sind in der Praxis hingegen leichter zu erheben. Dennoch stellt die Schulung von Segmentierungsmodellen unter begrenzter Supervision durch Strichzeichnungen weiterhin eine Herausforderung dar. Um diese Schwierigkeiten zu bewältigen, schlagen wir einen neuen Ansatz für die Strichzeichnungsbasierte medizinische Bildsegmentierung vor, der aus Mix-Augmentation und Zykluskonsistenz besteht und daher als CycleMix bezeichnet wird. Zur Erweiterung der Supervision nutzt CycleMix die Mixup-Strategie mit einer speziell entworfenen zufälligen Okklusion, um sowohl die Anzahl als auch die Dichte der Strichzeichnungen dynamisch zu verändern. Zur Regularisierung der Supervision verstärkt CycleMix das Trainingsziel durch Konsistenzverluste, die inkonsistente Segmentierungen bestrafen und somit eine erhebliche Verbesserung der Segmentierungsgenauigkeit ermöglichen. Die Ergebnisse auf zwei offenen Datensätzen, nämlich ACDC und MSCMRseg, zeigen, dass die vorgeschlagene Methode eine beeindruckende Leistung erzielt und in Bezug auf Genauigkeit mit vollständig überwachten Methoden konkurrieren oder diese sogar übertreffen kann. Der Quellcode sowie die von Experten erstellten Strichzeichnungsannotierungen für MSCMRseg sind öffentlich unter https://github.com/BWGZK/CycleMix verfügbar.